在訓(xùn)練循環(huán)中，定期調(diào)用 saver.save() 方法，向文件夾中寫入包含了當前模型中所有可訓(xùn)練變量的 checkpoint 文件。

saver.save(sess, FLAGS.train_dir, global_step=step)

global_step是訓(xùn)練的第幾步

保存參數(shù)：

import tensorflow as tf W = tf.Variable([[1, 2, 3]], dtype=tf.float32)b = tf.Variable([[1]], dtype=tf.float32) saver = tf.train.Saver() sess = tf.InteractiveSession()tf.global_variables_initializer().run()# 必須要指定文件夾，保存到ckpt文件save_path = saver.save(sess, "winycg/1.ckpt")print(save_path)

一次 saver.save() 后可以在文件夾中看到新增的四個文件，實際上每調(diào)用一次保存操作會創(chuàng)建后3個數(shù)據(jù)文件并創(chuàng)建一個檢查點（checkpoint）文件，簡單理解就是權(quán)重等參數(shù)被保存到 .chkp.data 文件中，以字典的形式；圖和元數(shù)據(jù)被保存到 .chkp.meta 文件中，可以被 tf.train.import_meta_graph 加載到當前默認的圖。

讀取參數(shù)：

import tensorflow as tfimport numpy as np W = tf.Variable(np.arange(3).reshape(1, 3), dtype=tf.float32)b = tf.Variable(np.arange(1).reshape(1, 1), dtype=tf.float32) saver = tf.train.Saver() sess = tf.InteractiveSession()# 讀取參數(shù)時不需要global_variables_initializer()save_path = saver.restore(sess, "parameter/1.ckpt")print("weights:", sess.run(W))print("bias:", sess.run(b))

weights: [[ 1. 2. 3.]]

bias: [[ 1.]]

以上這篇TensorFlow利用saver保存和提取參數(shù)的實例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持武林站長站。